一种具有可微动态规划的深度网络用于视网膜 OCT 表面分割
图像与视频处理
2022-10-13 v1 计算机视觉与模式识别
摘要
光学相干断层扫描（OCT）图像中的多表面分割是一个具有挑战性的问题，图像边界弱频繁出现使其更加复杂。近来，许多基于深度学习（DL）的方法被开发用于此任务并取得了显著性能。不幸的是，由于医学影像中训练数据的稀缺，DL 网络难以学习目标表面的全局结构，包括表面平滑性。为弥补这一差距，本研究提出将用于特征学习的 U-Net 与约束可微动态规划模块无缝统一，以实现视网膜 OCT 表面分割的端到端学习，从而显式强制表面平滑性。它有效利用来自下游模型优化模块的反馈来引导特征学习，更好地强制目标表面的全局结构。在 Duke AMD（年龄相关性黄斑变性）和 JHU MS（多发性硬化）OCT 数据集上针对视网膜层分割的实验显示出非常有前景的分割精度。
引用
@article{arxiv.2210.06335,
title = {A deep learning network with differentiable dynamic programming for retina OCT surface segmentation},
author = {Hui Xie and Weiyu Xu and Xiaodong Wu},
journal= {arXiv preprint arXiv:2210.06335},
year = {2022}
}